| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 CT技术的发展 | 第8-12页 |
| 1.1.1 历代CT | 第8-11页 |
| 1.1.2 螺旋CT(第六代CT) | 第11-12页 |
| 1.1.3 锥束CT | 第12页 |
| 1.2 CT重建算法的研究进展 | 第12-13页 |
| 1.3 本论文的研究内容及创新点 | 第13-15页 |
| 1.3.1 本论文的研究内容 | 第13-14页 |
| 1.3.2 本论文的创新点 | 第14-15页 |
| 第二章 CT图像重建理论基础 | 第15-22页 |
| 2.1 CT图像重建物理基础 | 第15-16页 |
| 2.2 CT重建的数学基础 | 第16-19页 |
| 2.2.1 Radon变换 | 第16-17页 |
| 2.2.2 Radon逆变换 | 第17-18页 |
| 2.2.3 傅里叶(Fourier)中心切片定理 | 第18-19页 |
| 2.3 重建算法及降噪的性能评价 | 第19-21页 |
| 2.3.1 重建算法性能评价 | 第19-20页 |
| 2.3.2 降噪性能评价 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 滤波反投影重建算法 | 第22-31页 |
| 3.1 平行束的滤波反投影算法 | 第22-24页 |
| 3.2 扇形束成像的几何描述 | 第24页 |
| 3.3 数据重排算法 | 第24-26页 |
| 3.4 扇形束重建算法 | 第26-30页 |
| 3.4.1 等角度扇形束重建算法 | 第26-28页 |
| 3.4.2 等间距扇形束重建算法 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 锥束FDK算法及其滤波函数的改进 | 第31-37页 |
| 4.1 FDK重建算法 | 第31-32页 |
| 4.2 滤波函数的改进 | 第32-34页 |
| 4.2.1 用于混合的滤波函数的依据 | 第32-33页 |
| 4.2.2 新型滤波函数 | 第33-34页 |
| 4.3 仿真结果与分析 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 深度学习与CT降噪 | 第37-56页 |
| 5.1 深度学习 | 第37页 |
| 5.2 神经网络 | 第37-42页 |
| 5.2.1 神经网络 | 第37-38页 |
| 5.2.2 卷积神经网络 | 第38-41页 |
| 5.2.3 循环神经网络 | 第41-42页 |
| 5.3 深度学习与CT降噪相结合 | 第42-52页 |
| 5.3.1 噪声 | 第42页 |
| 5.3.2 滤波反投影算法 | 第42-43页 |
| 5.3.3 含噪声的投影数据对重建结果的影响 | 第43页 |
| 5.3.4 深度残差网络,降噪模型的建立及DSResNet的提出 | 第43-48页 |
| 5.3.5 结果与分析 | 第48-52页 |
| 5.4 对DSResNet降噪能力的进一步探讨 | 第52-55页 |
| 5.4.1 对三种噪声降噪后的结果图和灰度曲线图 | 第52-55页 |
| 5.4.2 对三种噪声降噪后的误差值对比 | 第55页 |
| 5.5 结论 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 未来展望 | 第56-58页 |
| 参考文献 | 第58-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |